不少人在借助AI处理需求清单时常常遇到问题——要么输出格式与预期不符，要么给出的理由流于空泛。实际上，核心解法很简单：不是让AI自行揣摩意图，而是在提示词中明确注入“决策规则”。接下来，我们将通过三个可执行步骤详细拆解，每一步都包含具体的评估硬指标和常见避坑指南。

明确指令结构：用角色+任务+输出格式三要素锁定AI行为

先说第一招：在提示词开头直接设定角色身份。“你是一位拥有5年ToB产品经验的资深需求分析师”——这句看似简单的描述，能立即让AI调用专业的业务分析框架来处理后续信息，效果远胜于“请认真思考”这类模糊指令。

紧接着用动词短语点明核心任务：“将以下需求清单转化为优先级表，并为每一项提供具体、可验证的取舍理由”。请注意，“可验证”这一约束是关键杀招——它能直接剔除“用户呼声高”“老板关注”这类缺乏证据的模糊理由。

最后，使用冒号和缩进格式给出标准输出模板：

【输出格式】
｜需求描述｜优先级（P0/P1/P2）｜取舍理由｜
｜……｜……｜……｜

嵌入判断依据：告诉AI用哪几条硬标准打分

这里有一个常见误区：如果不提供判断维度，AI很容易凭直觉给出不专业的结论。因此，务必给出3到4条可操作的评估标准。下面提供两种方法：

方法一：依据业务影响锚定优先级
① 该需求上线后是否直接影响≥3个核心业务指标（如DAU、付费转化率、客诉率）？【若无法对应具体指标，优先级不得高于P1】
② 是否解决当前已确认的阻塞性问题（如支付失败率＞5%）？是则直接标P0。

方法二：通过资源消耗反向验证
直接让AI估算实施成本：“预估前端+后端+测试总人日≤3人日的需求，优先级上限为P1；超过8人日且无客户合同绑定的，自动降为P2”。这条规则能有效过滤那些“看起来美好但落地极难”的需求。

堵住理由漏洞：用否定式约束逼出真实逻辑

有一个很朴素的道理：想让AI不写套话，就必须提前封堵它可能使用的废话。在提示词末尾添加一句否定指令：“取舍理由中禁止出现以下词汇：重要、关键、应该、可能、大概、用户希望、领导要求”。这步操作会迫使AI将“用户希望”这类模糊表述转化为具体事实，例如“当前127名种子用户在NPS问卷中主动提及该功能，提及频次排名第2”。

再提供一个具体示例，比抽象说明有效十倍：
错误理由：“这个需求很重要”
正确理由：“该功能上线后预计降低客服人工响应量32%，当前每月为此投入4.2人日”

最后追加一条格式硬性规定：“所有取舍理由必须包含至少1个可量化结果或1个已发生的事实证据，否则整行输出视为无效并重新生成”。这样一来，AI便没有机会偷懒输出套话。